[发明专利]基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法

说明书

本发明涉及基于多尺度局部块LBP直方图特征与Co‑HOG特征相结合的人眼检测算法，包括以下步骤：对作为训练样本的人眼图像进行大小归一化预处理；接着提取图像的多尺度局部块LBP直方图特征与Co‑HOG特征来表述人眼；然后利用连续AdaBoost算法训练级联分类器；最后得到的分类器能够在归一化后人脸图像中检测出人眼区域。本发明提出的人眼检测方法优点在于：检测精度高，检测速度快，抗干扰性强。

技术领域

本发明涉及模式识别技术领域，具体是基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法。

背景技术

人眼检测可定义为：判断图像是否存在人眼，如果有则标定人眼的位置和大小。人眼检测技术在众多领域中具有广泛的应用前景，例如虹膜识别、视觉监控、疲劳驾驶检测以及人机交互等。

目前，人眼检测技术主要采用基于统计的方法，通常包括收集训练样本、提取图像特征、训练分类器以及检测目标四个主要阶段，其中特征提取是影响检测算法性能的关键因素。常用的图像特征包括LBP特征，HOG特征与Haar特征等。

LBP(Local Binary Pattern)特征是一种用于描述图像局部纹理特征的算子，它计算简单，具有对光照不敏感、旋转不变性以及灰度不变性等显著的优点，但是特定尺寸的LBP算子只能提取固定尺寸范围内的纹理信息，特征表述能力有限，不能充分表达高级图像信息。

HOG(Histogram ofOriented Gradient)特征通过计算和统计图像局部区域的梯度方向直方图来构成特征，可以很好地描述局部的形状信息，而且对光照不敏感。然而，当背景覆盖杂乱的噪声边缘时，HOG特征处理效果不佳。

Haar特征是一种简单矩形特征，其定义是黑色矩形和白色矩形在图像子窗口中对应区域的灰度级总和之差，它能够有效反映图像局部的灰度变化。Haar特征可以通过积分图像快速地计算，但是它对灰度模式的刻画能力并不是最好的，也无法获取图像内在的纹理及形状特征。

相对于常用的LBP、HOG、Haar等特征，多尺度局部块LBP直方图特征和Co-HOG特征具有更强的图像表述能力。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的检测精度高，检测速度快，抗干扰性强的人眼检测算法。

本发明所采用的技术方案是：基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法，包括以下步骤：

(1)采集人眼图像作为训练样本，并对其进行大小归一化预处理；

(2)提取人眼图像的多尺度局部块LBP直方图特征与Co-HOG特征来表述人眼；

(3)利用连续AdaBoost算法训练级联分类器；；

(4)得到的分类器能够在归一化后人脸图像中检测出人眼区域。

本发明中，所述步骤(2)中的提取特征过程，包括以下步骤：

第一步，计算多尺度局部块LBP直方图特征：首先定义多种不同大小的尺度，根据给定的尺度按照平移方式从人眼图像模板获得多个不同大小、不同位置的局部块，且不同的局部块之间可以有重叠部分，然后计算每个局部块的LBP直方图特征，最后把所有局部块的LBP直方图特征连接起来得到多尺度局部块LBP直方图特征；

第二步，计算Co-HOG特征：首先计算人眼图像模板的方向梯度，其次将图像按照宽高比均分为m*n个小块，然后选定一种偏移方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用31种偏移方式扫描人眼图像模板，生成(30*64+8)*m*n维的Co-HOG特征；

第三步，把多尺度局部块LBP直方图特征与Co-HOG特征连接成一个特征向量。